《Electronics》：An Interpretable MACD–SCDM Framework for Sepsis Risk Modeling from Longitudinal Laboratory Trajectories
编辑推荐：
从电子健康记录（EHR）中早期识别脓毒症仍然具有挑战性，因为纵向实验室测量存在不规则采样、不完整以及依赖于观察时段的问题。研究人员提出了一种可解释的时间特征工程框架，将基于移动平均收敛散度（MACD）的动量描述符与代表纵向实验室轨迹中短期时间持续性的信号相关性
从电子健康记录（EHR）中早期识别脓毒症仍然具有挑战性，因为纵向实验室测量存在不规则采样、不完整以及依赖于观察时段的问题。研究人员提出了一种可解释的时间特征工程框架，将基于移动平均收敛散度（MACD）的动量描述符与代表纵向实验室轨迹中短期时间持续性的信号相关性衰减测度（SCDM）相整合。利用MIMIC-IV临床数据库Demo（v2.2），筛选了100名唯一患者的275次住院记录。时间描述符从乳酸、肌酐、白细胞计数、血小板计数和国际标准化比值（INR）中导出。脓毒症状态在住院级别使用预先指定的ICD-9-CM和ICD-10-CM诊断代码定义，与实验室预测因子无关。由于可靠的诊断时间戳不可用，该任务被构建为入院级脓毒症风险分类，而非时间戳脓毒症发病的预测。特征在累积0–12 h、0–18 h和0–24 h观察视界上构建。乳酸仅用作预测因子。使用重复患者分组交叉验证评估HistGradientBoosting和Logistic Regression。预测性能在各观察视界间存在差异。Logistic Regression在24 h达到最高平均AUROC（0.711±0.125），HistGradientBoosting为0.682±0.139。特征集消融表明MACD派生描述符相较常规特征提供最一致的增量贡献，尽管其收益因分类器和观察视界而异。排列重要性进一步展示了视界依赖性特征相关性，乳酸、INR、血小板和WBC派生描述符位列最高排名预测因子。这些发现证明了使用可解释的动量、趋势、变异性和持续性描述符刻画纵向实验室动态的可行性。所提出的MACD–SCDM框架为检验预测性时间信息随临床数据积累如何演化提供了透明的方法论基础。需更大规模、时间分辨、外部验证的多中心队列确立泛化性与临床效用。
研究背景方面，脓毒症是全球发病与死亡的主要病因之一，早期识别高风险患者对改善预后至关重要，但临床表现异质、生理动态变化快以及电子健康记录（EHR）数据不规则不完整，使早期检测困难。既有机器学习方法多侧重预测性能，对纵向实验室动态如何贡献风险估计的可解释性有限。研究人员因此提出在模型训练前显式编码具有临床意义的时间模式的特征工程策略，通过量化方向、幅度、变异性、动量与持续性，提供超越孤立实验室值的信息。本研究发表于《Electronics》，旨在以透明方法论基础考察预测性时间信息随数据积累之演化。
主要关键技术方法上，研究人员采用MIMIC-IV临床数据库Demo（v2.2）公开去标识化危重病队列，源队列275次住院来自100名唯一患者，按0–12 h、0–18 h、0–24 h三个累积实验室观察视界分别筛得85、120、143次合格住院；脓毒症表型独立依据diagnoses_icd表中ICD-9-CM（78552、99591、99592）与ICD-10-CM（A408、A4102、A4151、A4189、A419、R6520、R6521）入院级二分类定义，乳酸仅作预测变量不参与结局；对乳酸、肌酐、白细胞计数（WBC）、血小板计数、国际标准化比值（INR）按小时网格前向填充后，提取一阶统计（均值、标准差、最小值、最大值、波动性）、OLS斜率趋势、MACD系列（跨距3与6小时指数移动平均（EMA）之差及跨距2 EMA信号线、直方图）以及lag-1 Pearson自相关的SCDM持续性描述符，每变量10特征共50维；验证采用按subject_id分组的StratifiedGroupKFold五折乘5种子重复分组交叉验证防止同患者泄漏，分别训练HistGradientBoostingClassifier（learning_rate=0.05，max_iter=400，max_depth=6，min_samples_leaf=20）与L2正则Logistic Regression（lbfgs，max_iter=3000，中位数填补与标准化），并辅以特征集消融（常规/MACD/SCDM/组合）与排列重要性解析。
研究结果部分，3.1节队列特征显示正例占比随视界延长由20.0%降至14.7%，始终维持患者级独立。3.2节MACD–SCDM时间特征表示确认每轨迹10描述符跨五变量固定定义跨视界不变，使性能差异可归因于轨迹长度而非特征空间变动。3.3节预测性能跨视界结果表明HistGradientBoosting的AUROC从12 h 0.464±0.163升至18 h 0.665±0.132与24 h 0.682±0.139，Logistic Regression在24 h达最高0.711±0.125，说明观察窗延长非单调增益且分类器与视界存在耦合。3.4节特征集消融指出MACD-only对HistGradientBoosting各视界贡献最一致（24 h AUROC 0.695±0.139），SCDM-only波动大，组合集未统一最优。3.5节时间特征重要性中12 h以INR(PT)_scdm与Lactate_macd_hist领先，18 h以Lactate_mean与Platelet Count_macd_sig领先，24 h以Lactate_macd与WBC_vol领先；生理域聚合示灌注/代谢域累积重要性最高（12 h 0.1520，18 h 0.1476，24 h 0.1255）。3.6节解释视界依赖性特征贡献，强调乳酸派生描述符因未进入ICD结局故反映轨迹自身预测信息。
讨论部分研究人员指出框架将常规统计与MACD动量、lag-1 SCDM持续性显式结合，在重复患者分组下示中等且视界依赖的判别力，MACD增量最稳，排列重要性证实乳酸、INR、血小板、WBC派生符协同演化；与RNN或注意力黑盒相比优势在方法透明而非性能竞优。局限性含MIMIC-IV Demo样本小、无时间分辨脓毒症起病时间戳故仅为入院级分类、同患者重复住院虽分组但仍限统计功效、SCDM单用不稳、重要性非因果。结论部分翻译如下：本研究呈递一种概念验证框架，将不规则纵向实验室测量转为可解释时间表示用于入院级脓毒症风险分类；通过常规统计描述符与MACD派生动量特征及lag-1 SCDM持续性测度结合，框架捕获实验室轨迹互补特性并保持显式特征级解释。在重复患者分组评估下，预测性能与特征重要性于12 h、18 h、24 h观察视界间变化；消融分析示MACD派生描述符相较常规特征提供最一致增量贡献，而SCDM与全组合贡献更依赖视界与分类器。尽管当前结果不支持临床部署，其为在更大数据集评估可解释时间特征工程提供方法论基础。未来研究应纳入既定时间分辨脓毒症定义、附加临床变量及外部多中心验证，以判定所提时间表示能否提供临床有意义改进。
